爬虫scrapy组件 请求传参,post请求,中间件

post请求

在scrapy组件使用post请求需要调用

def start_requests(self): 进行传参再回到
yield scrapy.FormRequest(url=url,formdata=data,callback=self.parse)进行post请求   其中FormRequest()为post 请求方式

import scrapy

class PostSpider(scrapy.Spider):
    name = ‘post‘
    # allowed_domains = [‘www.xxx.com‘]
    start_urls = [‘https://fanyi.baidu.com/sug‘]

    def start_requests(self):
        data = {
            ‘kw‘:‘dog‘
        }
        for url in self.start_urls:
            yield scrapy.FormRequest(url=url,formdata=data,callback=self.parse)
#scrapy.FormRequest() 进行post请求
    def parse(self, response):
        print(response.text)

请求传参

scrapy请求传参 主核心的就是

meta={‘item‘:item}

是一个字典结构,用来存储item 等

通过回调函数的返回url进行访问

import scrapy
from moviePro.items import MovieproItem

class MovieSpider(scrapy.Spider):
    name = ‘movie‘
    # allowed_domains = [‘www.xxx.com‘]
    start_urls = [‘https://www.4567tv.tv/frim/index1.html‘]
    #解析详情页中的数据
    def parse_detail(self,response):
        #response.meta返回接收到的meta字典
        item = response.meta[‘item‘]
        actor = response.xpath(‘/html/body/div[1]/div/div/div/div[2]/p[3]/a/text()‘).extract_first()
        item[‘actor‘] = actor

        yield item

    def parse(self, response):
        li_list = response.xpath(‘//li[@class="col-md-6 col-sm-4 col-xs-3"]‘)
        for li in li_list:
            item = MovieproItem()
            name = li.xpath(‘./div/a/@title‘).extract_first()
            detail_url = ‘https://www.4567tv.tv‘+li.xpath(‘./div/a/@href‘).extract_first()
            item[‘name‘] = name
            #meta参数:请求传参.meta字典就会传递给回调函数的response参数
            yield scrapy.Request(url=detail_url,callback=self.parse_detail,meta={‘item‘:item})

 　　　　　　　　#这里url 值定的start_urls 调用直接访问

注意:这里存储的字段一定要与items.py 创建的一致,就是以items.py的字段为主

items.py

import scrapy

class MovieproItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
     name = scrapy.Field()
     actor = scrapy.Field()

pipelines.py

import pymysql

class MovieproPipeline(object):
    conn = None
    cursor = None

    def open_spider(self,spider):
        print("开始爬虫")
        self.conn = pymysql.Connect(host=‘127.0.0.1‘,port=3306, user=‘root‘, password="",db=‘movie‘,charset=‘utf8‘)

    def process_item(self, item, spider):
        self.cursor = self.conn.cursor()
        try:
            self.cursor.execute(‘insert into av values("%s","%s")‘%(item[‘name‘],item[‘actor‘]))
            self.conn.commit()
        except Exception as e:
            self.conn.rollback()

    def close_spider(self,spider):
        print(‘结束爬虫‘)
        self.cursor.close()
        self.conn.close()

在执行时可以 省去--nolog,在setting中配置LOG_LEVEL="ERROR"

也可以定义写入文件 ,在setting中配置LOG_FILE = "./log.txt"

五大核心组件

其中dowmloader 最为重要,它分为三大重要的方法

(1)def process_request(self, request, spider):
return None需要有返回NONE 同django的中间建,表示在访问来之前进行操作用来范文时 ,进行user_agent 的替换, request.headers[‘User-Agent‘] = random.choice([ ...])

(2)
def process_response(self, request, response, spider):

需要有返回respons给 spider 进行数据 处理用作selenium 模拟访问时,倘若放在spider访问,一条数据就需要生成一个bro,所以添加到这里,一次就好它将获取的数据
return HtmlResponse(url=spider.bro.current_url,body=page_text,encoding=‘utf-8‘,request=request)
返回给spider 进行数据解析
return response

(3)
def process_exception(self, request, exception, spider):
pass

指进行报错使用的情况用作代理吃进行请求代理ip 的设置

request.meta[‘proxy‘] = random.choice([])

使用

 1 import random
 2
 3 class MiddleproDownloaderMiddleware(object):
 4     user_agent_list = [
 5         "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 "
 6         "(KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
 7         "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 "
 8         "(KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
 9         "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 "
10         "(KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
11         "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 "
12         "(KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
13         "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 "
14         "(KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
15         "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 "
16         "(KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
17         "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 "
18         "(KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
19         "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
20         "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
21         "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 "
22         "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
23         "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 "
24         "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
25         "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
26         "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
27         "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
28         "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
29         "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
30         "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
31         "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
32         "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
33         "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 "
34         "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
35         "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
36         "(KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
37         "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 "
38         "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
39         "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 "
40         "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
41     ]
42     # 可被选用的代理IP
43     PROXY_http = [
44         ‘153.180.102.104:80‘,
45         ‘195.208.131.189:56055‘,
46     ]
47     PROXY_https = [
48         ‘120.83.49.90:9000‘,
49         ‘95.189.112.214:35508‘,
50     ]
51    #拦截所有未发生异常的请求
52     def process_request(self, request, spider):
53
54
55         #使用UA池进行请求的UA伪装
56         print(‘this is process_request‘)
57         request.headers[‘User-Agent‘] = random.choice(self.user_agent_list)
58         print(request.headers[‘User-Agent‘])
59
60
61         return None
62     #拦截所有的响应
63     def process_response(self, request, response, spider):
64
65         return response
66     #拦截到产生异常的请求
67     def process_exception(self, request, exception, spider):
68
69         print(‘this is process_exception!‘)
70         if request.url.split(‘:‘)[0] == ‘http‘:
71             request.meta[‘proxy‘] = random.choice(self.PROXY_http)
72         else:
73             request.meta[‘proxy‘] = random.choice(self.PROXY_https)



selenium的中间件使用


注意:使用中间件需要打开中间件的封印 (p56-58)


DOWNLOADER_MIDDLEWARES = {   ‘wangyiPro.middlewares.WangyiproDownloaderMiddleware‘: 543,}


通过实例化bro对象,在请求结束后访问download中间件的 def response(self):


通过获取的数据


return HtmlResponse(url=spider.bro.current_url,body=page_text,encoding=‘utf-8‘,request=request)


返回给spider




import scrapy
from selenium import webdriver

‘‘‘
在scrapy中使用selenium的编码流程:
    1.在spider的构造方法中创建一个浏览器对象(作为当前spider的一个属性)
    2.重写spider的一个方法closed(self,spider),在该方法中执行浏览器关闭的操作
    3.在下载中间件的process_response方法中,通过spider参数获取浏览器对象
    4.在中间件的process_response中定制基于浏览器自动化的操作代码(获取动态加载出来的页面源码数据)
    5.实例化一个响应对象,且将page_source返回的页面源码封装到该对象中
    6.返回该新的响应对象
‘‘‘

class WangyiSpider(scrapy.Spider):
    name = ‘wangyi‘
    # allowed_domains = [‘www.xxx.com‘]
    start_urls = [‘http://war.163.com/‘]
    def __init__(self):
        self.bro = webdriver.Chrome(executable_path=r‘C:\Users\Administrator\Desktop\爬虫+数据\day_03_爬虫\chromedriver.exe‘)
    def parse(self, response):
        div_list = response.xpath(‘//div[@class="data_row news_article clearfix "]‘)
        for div in div_list:
            title = div.xpath(‘.//div[@class="news_title"]/h3/a/text()‘).extract_first()
            print(title)
    def closed(self,spider):
        print(‘关闭浏览器对象!‘)
        self.bro.quit()







def process_response(self, request, response, spider):


 



    def process_response(self, request, response, spider):
        # Called with the response returned from the downloader.

        # Must either;
        # - return a Response object
        # - return a Request object
        # - or raise IgnoreRequest
        print(‘即将返回一个新的响应对象!!!‘)
        #如何获取动态加载出来的数据
        bro = spider.bro
        bro.get(url=request.url)
        sleep(3)
        #包含了动态加载出来的新闻数据
        page_text = bro.page_source
        sleep(3)
        return HtmlResponse(url=spider.bro.current_url,body=page_text,encoding=‘utf-8‘,request=request)











 


 


 



原文地址：https://www.cnblogs.com/zhangqing979797/p/10472183.html
				


				
时间： 2024-08-28 11:37:29 

		


		


	

	
	

		


		
爬虫scrapy组件 请求传参,post请求,中间件的相关文章


								

		

			

                python爬虫---scrapy框架爬取图片,scrapy手动发送请求,发送post请求,提升爬取效率,请求传参(meta),五大核心组件,中间件
			

		

		

									

				# settings 配置 UA USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36' 一丶scrapy的图片数据爬取(流数据的爬取) ? scrapy中封装好了一个管道类(ImagesPipeline),基于该管道类可以实现图片资源的请求和持久化存储 编码流程: 爬虫文件中解析出图片的地址 将			

		

	

				

		

			

                爬虫5 scrapy框架2    全站爬取cnblogs, scarpy请求传参, 提高爬取效率, 下载中间件, 集成selenium, fake-useragent, 去重源码分析, 布隆过滤器, 分布式爬虫, java等语言概念补充, bilibili爬视频参考
			

		

		

									

				1 全站爬取cnblogs # 1 scrapy startproject cnblogs_crawl # 2 scrapy genspider cnblogs www.cnblogs.com 示例: # cnblogs_crawl/cnblogs_crawl/spiders/cnblogs.py import scrapy from cnblogs_crawl.items import CnblogsCrawlItem from scrapy.http import Request class			

		

	

				

		

			

                scrapy框架的日志等级和请求传参, 优化效率
			

		

		

									

				目录 scrapy框架的日志等级和请求传参, 优化效率 Scrapy的日志等级 请求传参 如何提高scripy的爬取效率 scrapy框架的日志等级和请求传参, 优化效率 Scrapy的日志等级 在使用scrapy crawl spiderFileName运行程序时,在终端里打印输出的就是scrapy的日志信息. 日志信息的种类: ERROR : 一般错误 WARNING : 警告 INFO : 一般的信息 DEBUG : 调试信息 设置日志信息指定输出: 在settings.py配置文件中,加			

		

	

				

		

			

                【Scrapy框架之请求传参案例】 -- 2019-08-08 20:40:13
			

		

		

									

				原文: http://106.13.73.98/__/141/ 在某些情况下,我们爬取的数据不在同一个页面. 例如下面的案例1,我们要爬取一个电影网站,电影的排名.名称.主演分在一页,而其它的信息分在二级子页面中.这时,我们就需要用到请求传参. 案例1:爬取97电影网中所有热门电影的详细信息 97电影网热门电影URL:http://www.55xia.com/movie/hotest/ 第一步,爬虫文件: # -*- coding: utf-8 -*- import scrapy from Te			

		

	

				

		

			

                scrapy入门(二)请求传参和中间件
			

		

		

									

				scrapy的请求传参 作用 : 实现深度爬取 使用场景 : 爬取的数据没有在同一张页面 例如, 爬取电影首页全部电影的详情页信息 #请求传参: 让Request将一个数据值(字典)传递给回调函数 #在第一页中将item对象的第一个属性赋值,然后通过请求传参将item对象传过去 #手动发送get请求: model_index = [3,4,6,7,8] for index in model_list: li =li_list[index] model_url = li.xpath('xxxxxx			

		

	

				

		

			

                scrapy框架之日志等级和请求传参
			

		

		

									

				一.Scrapy的日志等级 - 在使用scrapy crawl spiderFileName运行程序时,在终端里打印输出的就是scrapy的日志信息. - 日志信息的种类: ERROR : 一般错误 WARNING : 警告 INFO : 一般的信息 DEBUG : 调试信息 默认的显示级别是DEBUG - 设置日志信息指定输出: 在settings.py配置文件中,加入LOG_LEVEL = ‘指定日志信息种类’即可.LOG_FILE = 'log.txt'则表示将日志信息写入到指定文件中进行			

		

	

				

		

			

                爬虫之post请求与请求传参
			

		

		

									

				一.POST请求 class Postspider(scripy.Spider): name = "post" # allowed_domains = ["www.xxx.com"] start_urls = ["https.//fanyi.baidu.com/sug"] def start_requests(self): data = { "kw": "dog" } for url in self.sta			

		

	

				

		

			

                scrapy请求传参，提高爬取效率，fake-useragent
			

		

		

									

				scrapy请求传参 """ # 1 传参 :yield Request(url,callback=self.parser_detail,meta={'item':item}) # 2 取参:response.meta.get('item') """ 提高爬取效率的方式 """ - 在配置文件中进行相关的配置即可:(默认还有一套setting) #1 增加并发: 默认scrapy开启的并发线程为32个,可以适当进行增			

		

	

				

		

			

                小爬爬6:2请求传参
			

		

		

									

				1.scrapy的请求传参: 请求传参: - 使用场景:如果使用scrapy爬取的数据没有在同一张页面中,则必须使用请求传参 - 编码流程: - 需求:爬取的是首页中电影的名称和详情页中电影的简介(全站数据爬取) - 基于起始url进行数据解析(parse) - 解析数据 - 电影的名称 - 详情页的url - 对详情页的url发起手动请求(指定的回调函数parse_detail),进行请求传参(meta) meta传递给parse_detail这个回调函数 - 封装一个其他页码对应url的一个